وفقي سازي شعاع كرنل در تخمين موقعيت اجسام متحرك بر اساس الگوريتم بازنمونه برداري فيلترذره

Adaptive Kernel Radius in Estimating the Position of Moving Target Tracking based on Resampling Particle Filter Algorithm

تعيين مناسب شعاع كرنل يكی از پارامترهای بحرانی رديابی مبتنی بر چگالی كرنل می باشد، كه تاكنون راهكار كامل و بی عيبی برای آن بيان نشده است. در اين مقاله از يك روش لبه يابی با الگوريتم ردياب مبتنی بر كرنل برای وفقی سازی شعاع آن استفاده می شود و از تركيب آن  با الگوريتم بازنمونه برداری فيلترذره، به يك الگوريتم رديابی مقاوم و با دقت دست می يابد. بعد از تخمين چگالی كرنل مناسب، هيستوگرام وزندارشده مدل هدف در فريم اول بدست می آيد و با درنظرگرفتن ميزان واريانس يك نويز تصادفی در اين مكان، موقعيت ذرات كانديد در مرحله بعد پيشگويی می شوند، سپس هيستوگرام وزندارشده اين ذرات كانديد با همان چگالی كرنل، به عنوان مدل ذرات كانديد با مدل هدف مقايسه می شوند و توسط فاصله باتاچاريا، ذرات كانديد وزندار می گردند. الگوريتم بازنمونه برداری، موقعيت هدف را در فريم بعدی تخمين می زند. سرانجام شعاع كرنل براساس لبه يابی، بر تغييرات مدل هدف منطبق می شود و مدل هدف نيز در صورت لزوم بطور وفقی بر اساس بهترين مدل ذره شبيه هدف،  بروز می گردد.

In this paper, we perform adaptive radius of the kernel by an edge detection method with tracking algorithm based on kernel density and provides a robust tracking algorithm, in combination with the resampling particle filter algorithm. In the first frame, by suitable kernel density estimation, is obtained the weighted histogram of the target model and by adding random noise variance at this place, are predicted the position of candidate particles in the next step. The weighted histogram of this candidate particles are compared with the same density kernel by the target model and are weighted the candidate particles by Bhattacharyya distance. The resampling algorithm, estimates the target position in the next frame. Finally, radius of the kernel is consistent with the target model changes. If needed, the target model is updated according to the best model of particle similar to the target model, adaptively.